JP2021033773A - 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 - Google Patents
対象地域の不動産の稼働率を推定するプログラム、装置及び方法 Download PDFInfo
- Publication number
- JP2021033773A JP2021033773A JP2019154858A JP2019154858A JP2021033773A JP 2021033773 A JP2021033773 A JP 2021033773A JP 2019154858 A JP2019154858 A JP 2019154858A JP 2019154858 A JP2019154858 A JP 2019154858A JP 2021033773 A JP2021033773 A JP 2021033773A
- Authority
- JP
- Japan
- Prior art keywords
- users
- target area
- area
- real estate
- captured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】対象地域の不動産の稼働率を推定するプログラム、装置及び方法を提供する。【解決手段】所定期間に、各地域に滞在する捕捉ユーザ数を抽出する捕捉ユーザ数抽出手段と、対象地域の特性量と、当該対象地域に対する複数の周辺地域の特性量との類似度に応じた各重み係数を決定する重み係数決定手段と、対象地域に対する各周辺地域の捕捉ユーザ数に、重み係数を重み付けた総和を、所定期間における対象地域の周辺地域捕捉ユーザ数として算出する周辺地域捕捉ユーザ数算出手段と、対象地域について、不動産の稼働率を目的変数とし、周辺地域捕捉ユーザ数を説明変数とした教師データで予め相関モデルを構築した相関学習エンジンとして機能させ、相関学習エンジンは、対象地域について、周辺地域捕捉ユーザ数を入力し、不動産の稼働率を推定する。【選択図】図２
Description
本発明は、対象地域の不動産の稼働率を推定する技術に関する。
不動産の稼働率は、物件価値の指標として極めて重要なものである。例えば不動産投資ファンドのような投資家や関係者（銀行、格付け機関、証券会社など）にとっては、投資判断の指標となる。不動産投資ファンドとして、Ｊ−ＲＥＩＴ(Japan Real Estate Investment Trust)がある。これは、複数の商業用不動産を裏付け資産として、株や債券を代替した証券化金融商品であり、証券取引所に上場し、日々売買されている。ＲＥＩＴの評価に重要な情報として、「物件価値」としての「稼働率」がある。
例えばホテルのような不動産毎では、滞在ユーザ数が日々変化している。ここで、「不動産の稼働率」は、その不動産の対象地域における「滞在ユーザ数」と相関性があると考えられる。滞在ユーザ数が多いということは、不動産の稼働率も高く、滞在ユーザ数が少ないということは、不動産の稼働率も低いと想定される。
滞在ユーザ数を、例えばユーザが所持する携帯端末の位置を収集することによって、その地域のユーザ数をカウントする技術がある（例えば特許文献１参照）。一般的に、全ての通信事業者に対する特定の通信事業者の加入者割合を用いて、比較的広い地域について、特定の通信事業者の通信事業設備に接続したユーザ数に、加入者割合を乗算することによって、大凡の滞在ユーザ数（例えば数万人単位）を推定することができる。これは、一般に「拡大推計方法」と称される。例えば災害時における数万人規模の人口移動を推計する場合、１％のユーザの位置移動が捕捉できれば、数百人の位置移動を推定することができる。
ここで、地域毎の滞在ユーザ数の変化を把握するには、十分な母集団を必要とする。特に不動産のような狭い地域になるほど、捕捉ユーザ数も少なくなり、推定される滞在ユーザ数のばらつきも大きくなる。
図１は、地域毎に、特定の通信事業者における捕捉ユーザ数を表す説明図である。
図１によれば、不動産毎に、特定の通信事業者の通信事業設備に接続した捕捉ユーザ数が表されている。特定の通信事業者による捕捉ユーザ数は、その地域における実際の滞在ユーザ数よりも、極めて少数しかカウントできない。即ち、全ての通信事業者から、全てのユーザの位置情報を収集できるわけでもない。
例えばホテルのような不動産における狭い地域について、滞在ユーザ数を推定するべく、単に、通信事業者毎の加入者割合を用いることはできない。
例えば許容部屋数１００室のホテルについて滞在ユーザ数を推定する場合、実際の滞在ユーザ数が１０名であっても、特定の通信事業者における捕捉ユーザ数は０名である場合もある。
特定の通信事業者における加入者割合が例えば２０％である場合、捕捉ユーザ数が０名であれば、そのホテルの滞在ユーザ数は０名と推定され、捕捉ユーザ数が１名であれば、そのホテルの滞在ユーザ数は５名と推定されてしまう。
同様に、特定の通信事業者について、そのホテルの捕捉ユーザ数が３名であっても、加入者割合に応じて推定された滞在ユーザ数１５名となるわけでもない。
このように、比較的狭い地域の不動産になるほど、捕捉ユーザ数の数名の違いが、滞在ユーザ数の推定に大きく影響してしまう。このような不安定な捕捉ユーザ数では、滞在ユーザ数を推定することもできない。
例えば許容部屋数１００室のホテルについて滞在ユーザ数を推定する場合、実際の滞在ユーザ数が１０名であっても、特定の通信事業者における捕捉ユーザ数は０名である場合もある。
特定の通信事業者における加入者割合が例えば２０％である場合、捕捉ユーザ数が０名であれば、そのホテルの滞在ユーザ数は０名と推定され、捕捉ユーザ数が１名であれば、そのホテルの滞在ユーザ数は５名と推定されてしまう。
同様に、特定の通信事業者について、そのホテルの捕捉ユーザ数が３名であっても、加入者割合に応じて推定された滞在ユーザ数１５名となるわけでもない。
このように、比較的狭い地域の不動産になるほど、捕捉ユーザ数の数名の違いが、滞在ユーザ数の推定に大きく影響してしまう。このような不安定な捕捉ユーザ数では、滞在ユーザ数を推定することもできない。
このように考えると、従来の拡大推計方法では、狭い地域の不動産における滞在ユーザ数を推定することは非常に難しい。
一方で、不動産の投資家や関係者にとっては、不動産の稼働率につながる滞在ユーザ数を正確に知るためには、決算期毎の利用者数の発表を待つしか無くなる。一方で、不動産の稼働率の変動リスクを抱えなければならず、この不透明性が、物件価値に基づく投資難易度を高めることにもなる。
一方で、不動産の投資家や関係者にとっては、不動産の稼働率につながる滞在ユーザ数を正確に知るためには、決算期毎の利用者数の発表を待つしか無くなる。一方で、不動産の稼働率の変動リスクを抱えなければならず、この不透明性が、物件価値に基づく投資難易度を高めることにもなる。
そこで、本発明は、特定の通信事業者の通信設備に接続した捕捉ユーザ数であっても、比較的狭い対象地域の不動産の稼働率を、できる限り正確に推定することができるプログラム、装置及び方法を提供することを目的とする。
本発明によれば、対象地域Aiの不動産の稼働率Ciを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの１つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と、
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
相関学習エンジンは、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることを特徴とする。
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの１つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と、
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
相関学習エンジンは、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることを特徴とする。
本発明のプログラムにおける他の実施形態によれば、
対象地域Aiの不動産の稼働率Ciに代えて、対象地域Aiに現に滞在する滞在ユーザ数Ciを推定するために、
相関学習エンジンは、
学習段階として、対象地域Aiについて、滞在した滞在ユーザ数Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、現に滞在する滞在ユーザ数Ciを推定する
ようにコンピュータを機能させることも好ましい。
対象地域Aiの不動産の稼働率Ciに代えて、対象地域Aiに現に滞在する滞在ユーザ数Ciを推定するために、
相関学習エンジンは、
学習段階として、対象地域Aiについて、滞在した滞在ユーザ数Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、現に滞在する滞在ユーザ数Ciを推定する
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
所定期間Tについて、当該対象地域Aiの周辺地域Aj（j＝1〜N）全体における周辺地域許容ユーザ数を記憶する周辺地域許容ユーザ数記憶手段と、
周辺地域許容ユーザ数に対する周辺地域捕捉ユーザ数Biの周辺地域捕捉ユーザ率Biを算出する周辺地域捕捉ユーザ率算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ率Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ率Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることも好ましい。
所定期間Tについて、当該対象地域Aiの周辺地域Aj（j＝1〜N）全体における周辺地域許容ユーザ数を記憶する周辺地域許容ユーザ数記憶手段と、
周辺地域許容ユーザ数に対する周辺地域捕捉ユーザ数Biの周辺地域捕捉ユーザ率Biを算出する周辺地域捕捉ユーザ率算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ率Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ率Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
周辺地域許容ユーザ数は、対象地域Aiの不動産と所定条件で類似する不動産について、許容可能なユーザ数又は部屋数である
ようにコンピュータを機能させることも好ましい。
周辺地域許容ユーザ数は、対象地域Aiの不動産と所定条件で類似する不動産について、許容可能なユーザ数又は部屋数である
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
複数の所定期間T×mにおける周辺地域捕捉ユーザ数Biの推移傾向を表す回帰関数fを導出する回帰関数導出手段と、
現在の周辺地域捕捉ユーザ数Biと、回帰関数ｆに基づく予測の周辺地域捕捉ユーザ数ｆ(Bi)との傾向差分DIFFi（＝Bi−f(Bi)）を算出する傾向差分算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、傾向差分DIFFiを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、傾向差分DIFFiを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることも好ましい。
複数の所定期間T×mにおける周辺地域捕捉ユーザ数Biの推移傾向を表す回帰関数fを導出する回帰関数導出手段と、
現在の周辺地域捕捉ユーザ数Biと、回帰関数ｆに基づく予測の周辺地域捕捉ユーザ数ｆ(Bi)との傾向差分DIFFi（＝Bi−f(Bi)）を算出する傾向差分算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、傾向差分DIFFiを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、傾向差分DIFFiを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
重み係数決定部１４は、複数の特性量kそれぞれの差の平方和の平方根を、類似度ｄとする
ｄ(i,j)＝√(Σk=1 K(CHARi,k−CHARj,k)2)
CHARi,k：地域iの特性量k
ようにコンピュータを機能させることも好ましい。
重み係数決定部１４は、複数の特性量kそれぞれの差の平方和の平方根を、類似度ｄとする
ｄ(i,j)＝√(Σk=1 K(CHARi,k−CHARj,k)2)
CHARi,k：地域iの特性量k
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
重み係数決定部１４は、複数の特性量kそれぞれの影響度αkを、特性量kの差の平方に乗算し、乗算値の和の平方根を、類似度ｄとする。
類似度ｄ(i,j)＝√(Σk=1 K((CHARi,k−CHARj,k)２×αk))
CHARi,k：地域iの特性量k
αk：特性量kの影響度
ようにコンピュータを機能させることも好ましい。
重み係数決定部１４は、複数の特性量kそれぞれの影響度αkを、特性量kの差の平方に乗算し、乗算値の和の平方根を、類似度ｄとする。
類似度ｄ(i,j)＝√(Σk=1 K((CHARi,k−CHARj,k)２×αk))
CHARi,k：地域iの特性量k
αk：特性量kの影響度
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、対象地域Aiから周辺地域Ajまでの距離を用いる
ようにコンピュータを機能させることも好ましい。
重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、対象地域Aiから周辺地域Ajまでの距離を用いる
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、対象地域Ai及び周辺地域Ajの不動産の種別、ランク及び／又は評価を用いる
ようにコンピュータを機能させることも好ましい。
重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、対象地域Ai及び周辺地域Ajの不動産の種別、ランク及び／又は評価を用いる
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、更に、建物の階数、部屋数、部屋面積、従業員数及び／又は使用料金を用いる
ようにコンピュータを機能させることも好ましい。
重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、更に、建物の階数、部屋数、部屋面積、従業員数及び／又は使用料金を用いる
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
正解値としての不動産の稼働率Ciは、最大収容数に対する利用収容数の利用率、又は、当該不動産に基づく決算書によって開示された稼働率である
ようにコンピュータを機能させることも好ましい。
正解値としての不動産の稼働率Ciは、最大収容数に対する利用収容数の利用率、又は、当該不動産に基づく決算書によって開示された稼働率である
ようにコンピュータを機能させることも好ましい。
本発明によれば、対象地域Aiの不動産の稼働率Ciを推定する装置であって、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの１つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする。
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの１つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする。
本発明によれば、対象地域Aiの不動産の稼働率Ciを推定する装置の推定方法であって、
装置は、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの１つ以上の特性量を記憶する地域特性量記憶部と
を有し、
装置は、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する第１のステップと、
地域特性量記憶部を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する第２のステップと、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する第３のステップと
を実行すると共に、
学習段階として、相関学習エンジンを用いて、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする。
装置は、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの１つ以上の特性量を記憶する地域特性量記憶部と
を有し、
装置は、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する第１のステップと、
地域特性量記憶部を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する第２のステップと、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する第３のステップと
を実行すると共に、
学習段階として、相関学習エンジンを用いて、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする。
本発明のプログラム、装置及び方法によれば、特定の通信事業者の通信設備に接続した捕捉ユーザ数であっても、比較的狭い対象地域の不動産の稼働率を、できる限り正確に推定することができる。
以下、本発明の実施の形態について、図面を用いて詳細に説明する。
図２は、本発明における推定装置の第１の機能構成図である。
推定装置１は、対象地域Aiの不動産の稼働率Ciを推定する。
図２によれば、推定装置１は、「対象地域Aiの不動産の稼働率Ci」と、「対象地域Aiの周辺地域捕捉ユーザ数Bi」との間の相関性に基づいて構成されたものである。
正解値としての不動産の稼働率Ciは、最大収容数に対する利用収容数の利用率、又は、当該不動産に基づく決算書によって開示された稼働率であるとする。これは、過去のデータに基づくものである。
図２によれば、推定装置１は、「対象地域Aiの不動産の稼働率Ci」と、「対象地域Aiの周辺地域捕捉ユーザ数Bi」との間の相関性に基づいて構成されたものである。
正解値としての不動産の稼働率Ciは、最大収容数に対する利用収容数の利用率、又は、当該不動産に基づく決算書によって開示された稼働率であるとする。これは、過去のデータに基づくものである。
推定装置１は、ユーザ位置データベース１１と、地域特性量記憶部１２と、捕捉ユーザ数抽出部１３と、重み係数決定部１４と、周辺地域捕捉ユーザ数算出部１５と、相関学習エンジン１０とを有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムとして実現される。また、これら機能構成部の処理の流れは、不動産稼働率推定方法としても理解できる。
ここで、稼働率Ciの推定対象となる対象地域Aiと、周辺地域Ajとは、以下のように定義する。
対象地域Ai：推定作業のオペレータによって設定される。
（推定対象となる特定の不動産であってもよい）
周辺地域Aj：対象地域Aiを含む所定地域範囲に設定される。
周辺地域Ajは、対象地域Aiを中心として所定半径内であってもよいし、住所の県市町村単位であってもよい。
対象地域Ai：推定作業のオペレータによって設定される。
（推定対象となる特定の不動産であってもよい）
周辺地域Aj：対象地域Aiを含む所定地域範囲に設定される。
周辺地域Ajは、対象地域Aiを中心として所定半径内であってもよいし、住所の県市町村単位であってもよい。
図３は、対象地域に対する周辺地域の滞在ユーザ数を表す説明図である。
図３によれば、対象地域A1に対して、所定地域範囲内に、周辺地域A2〜A8が存在している。具体的には、対象地域A1の不動産のホテルにおける位置を中心に、所定半径内に、他のホテルA2〜A8が存在している。対象地域A1の不動産における滞在ユーザ数は、同じ種別等となる近隣の周辺地域Ajの不動産における滞在ユーザ数と同じように、その傾向が変化すると考えられる。
［ユーザ位置データベース１１］
ユーザ位置データベース１１は、位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したものである。
図２によれば、ユーザ位置データベース１１は、特定の通信事業者によって運用管理されており、加入者ＩＤ（ユーザＩＤ）毎に、時刻と位置情報とを対応付けて蓄積している。
ここで、重要な点として、ユーザ位置データベース１１は、特定の通信事業者の通信事業設備による捕捉ユーザであって、現実のユーザ全てではない。即ち、特定の通信事業者と契約した携帯端末２を保持するユーザについてのみ、位置情報が収集されたものである。
ユーザ位置データベース１１は、位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したものである。
図２によれば、ユーザ位置データベース１１は、特定の通信事業者によって運用管理されており、加入者ＩＤ（ユーザＩＤ）毎に、時刻と位置情報とを対応付けて蓄積している。
ここで、重要な点として、ユーザ位置データベース１１は、特定の通信事業者の通信事業設備による捕捉ユーザであって、現実のユーザ全てではない。即ち、特定の通信事業者と契約した携帯端末２を保持するユーザについてのみ、位置情報が収集されたものである。
ユーザ位置データベース１１に蓄積された位置とは、例えば以下のようなものである。
（１）ユーザに所持された携帯端末２によって測位された端末測位位置
携帯端末２が自ら、ＧＰＳ(Global Positioning System)によって測位した緯度経度情報である。
（２）通信事業者の基地局やアクセスポイントに接続した携帯端末の基地局測位位置
携帯端末２を配下とする基地局やアクセスポイントの位置情報から、携帯端末２の位置を推定したものであってもよい。但し、この位置情報は、空間的粒度が粗いものとなる。
これら位置情報は、緯度経度又は地図座標によって表記されるものであってもよいし、住所名や地図メッシュ番号に変換されたものであってもよい。
（１）ユーザに所持された携帯端末２によって測位された端末測位位置
携帯端末２が自ら、ＧＰＳ(Global Positioning System)によって測位した緯度経度情報である。
（２）通信事業者の基地局やアクセスポイントに接続した携帯端末の基地局測位位置
携帯端末２を配下とする基地局やアクセスポイントの位置情報から、携帯端末２の位置を推定したものであってもよい。但し、この位置情報は、空間的粒度が粗いものとなる。
これら位置情報は、緯度経度又は地図座標によって表記されるものであってもよいし、住所名や地図メッシュ番号に変換されたものであってもよい。
［地域特性量記憶部１２］
地域特性量記憶部１２は、地域A毎に、地域範囲と共に、当該地域Aの１つ以上の特性量を記憶する。
「特性量」としては、例えば以下のようなものがある。
対象地域Aの不動産の位置
対象地域Aの不動産の種別、ランク及び／又は評価
地域特性量記憶部１２は、地域A毎に、地域範囲と共に、当該地域Aの１つ以上の特性量を記憶する。
「特性量」としては、例えば以下のようなものがある。
対象地域Aの不動産の位置
対象地域Aの不動産の種別、ランク及び／又は評価
不動産の位置は、例えば地域Aiと地域Ajとの間の距離の算出に用いられる。
不動産の種別は、対象地域Aの不動産における階数、部屋数、部屋面積、従業員数、使用料金であってもよい。例えばホテルの場合、ホテル態様（高級、ビジネス、民宿、カプセルなど）や宿泊料金であってもよい。
不動産のランクは、例えばホテルの場合、クラス（４つ星又はファイブスターなど）であってもよい。
不動産の評価は、例えばＳＮＳ(Social Networking Service)によるユーザの評価であってもよい。
不動産の種別は、対象地域Aの不動産における階数、部屋数、部屋面積、従業員数、使用料金であってもよい。例えばホテルの場合、ホテル態様（高級、ビジネス、民宿、カプセルなど）や宿泊料金であってもよい。
不動産のランクは、例えばホテルの場合、クラス（４つ星又はファイブスターなど）であってもよい。
不動産の評価は、例えばＳＮＳ(Social Networking Service)によるユーザの評価であってもよい。
［捕捉ユーザ数抽出部１３］
捕捉ユーザ数抽出部１３は、ユーザ位置データベース１１を用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#A(T)を抽出する。前述した図１のように、地域A毎に、特定の通信事業者の通信事業設備に接続した捕捉ユーザ数#A(T)が抽出される。
捕捉ユーザ数抽出部１３は、ユーザ位置データベース１１を用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#A(T)を抽出する。前述した図１のように、地域A毎に、特定の通信事業者の通信事業設備に接続した捕捉ユーザ数#A(T)が抽出される。
ここで、「地域」とは、地図上の平面的なメッシュを細かく区分するほど、ビルや施設のような不動産を特定することができる。また、「地域」とは、そのビルや施設の階数のように、多次元空間に区分されたものであってもよい。例えば３次元で区切る場合、その空間を「キューブ」と称すこともできる。
図４は、対象地域に対する周辺地域の捕捉ユーザ数を表す説明図である。
図４によれば、図３と比較して、特定の通信事業者の通信事業設備に接続した捕捉ユーザ数のみが表されている。対象地域A1の不動産のホテルにおける捕捉ユーザ数と、他のホテルA2〜A8の捕捉ユーザ数とが表されている。
［重み係数決定部１４］
重み係数決定部１４は、地域特性量記憶部１２を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する。
尚、重み係数ωには、期間Tに応じて可変となるものであってもよく、ω(Ai,Aj,T)としたものであってもよい。
重み係数決定部１４は、地域特性量記憶部１２を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する。
尚、重み係数ωには、期間Tに応じて可変となるものであってもよく、ω(Ai,Aj,T)としたものであってもよい。
重み係数ωは、特性量に応じて、例えば以下のような実施形態で決定される。
（特性量が、不動産の位置である場合）
重み係数決定部１４は、対象地域Aiの特性量と、周辺地域Ajの特性量との類似度ｄとして、対象地域Aiから周辺地域Ajまでの「距離」を用いる。ここでの距離は、経度緯度の差分から算出可能な、物理的な近さや遠さを表現するための直線距離である。
距離 ：ｄ(Ai,Aj)
重み係数：ω(Ai,Aj)＝１／(１＋ｄ(Ai,Aj)）
尚、周辺地域Ajには、対象地域Aiと同一の地域（Ai＝Aj）も含むとする。i＝jとなるとき、ｄ(Ai,Aj)＝0となる。
（特性量が、不動産の位置である場合）
重み係数決定部１４は、対象地域Aiの特性量と、周辺地域Ajの特性量との類似度ｄとして、対象地域Aiから周辺地域Ajまでの「距離」を用いる。ここでの距離は、経度緯度の差分から算出可能な、物理的な近さや遠さを表現するための直線距離である。
距離 ：ｄ(Ai,Aj)
重み係数：ω(Ai,Aj)＝１／(１＋ｄ(Ai,Aj)）
尚、周辺地域Ajには、対象地域Aiと同一の地域（Ai＝Aj）も含むとする。i＝jとなるとき、ｄ(Ai,Aj)＝0となる。
（特性量が、不動産の種別、ランク及び／又は評価である場合）
重み係数決定部１４は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、対象地域Aiの不動産の「種別、ランク及び／又は評価」を用いる。
例えば対象地域Aiの不動産が、ランク「☆☆」である場合、周辺地域Ajの不動産の重み係数は、以下のようになる。
対象地域Aiの不動産：ランク「☆☆」
周辺地域Ajの不動産：ランク「☆☆☆」の場合
ｄ(Ai,Aj)＝1 （☆☆と☆☆☆との差分＝1）
ω(Ai,Aj)＝1／(1＋1）＝0.5
周辺地域Ajの不動産：ランク「☆☆」の場合
ｄ(Ai,Aj)＝1 （☆☆と☆☆との差分＝0）
ω(Ai,Aj)＝1／(1＋0）＝1
周辺地域Ajの不動産：ランク「☆」の場合
ｄ(Ai,Aj)＝1 （☆☆と☆☆☆との差分1）
ω(Ai,Aj)＝1／(1＋1）＝0.5
重み係数決定部１４は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、対象地域Aiの不動産の「種別、ランク及び／又は評価」を用いる。
例えば対象地域Aiの不動産が、ランク「☆☆」である場合、周辺地域Ajの不動産の重み係数は、以下のようになる。
対象地域Aiの不動産：ランク「☆☆」
周辺地域Ajの不動産：ランク「☆☆☆」の場合
ｄ(Ai,Aj)＝1 （☆☆と☆☆☆との差分＝1）
ω(Ai,Aj)＝1／(1＋1）＝0.5
周辺地域Ajの不動産：ランク「☆☆」の場合
ｄ(Ai,Aj)＝1 （☆☆と☆☆との差分＝0）
ω(Ai,Aj)＝1／(1＋0）＝1
周辺地域Ajの不動産：ランク「☆」の場合
ｄ(Ai,Aj)＝1 （☆☆と☆☆☆との差分1）
ω(Ai,Aj)＝1／(1＋1）＝0.5
重み係数決定部１４は、複数の特性量k（例えば態様、ランク、評価など）に基づいて類似度ｄを算出するものであってもよい。最も簡易には、以下のように、特性量kそれぞれの差の平方和の平方根を、類似度ｄとしてもよい。
ｄ(i,j)＝√(Σk=1 K(CHARi,k−CHARj,k)2)
CHARi,k：地域iの特性量k
ｄ(i,j)＝√(Σk=1 K(CHARi,k−CHARj,k)2)
CHARi,k：地域iの特性量k
［周辺地域捕捉ユーザ数算出部１５］
周辺地域捕捉ユーザ数算出部１５は、対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する。
Bi(T)＝Σj=1 N（#Aj(T)×ω(Ai,Aj)）
＝Σj=1 N（#Aj(T)×(１／(１＋ｄ(Ai,Aj)))）
周辺地域捕捉ユーザ数算出部１５は、対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する。
Bi(T)＝Σj=1 N（#Aj(T)×ω(Ai,Aj)）
＝Σj=1 N（#Aj(T)×(１／(１＋ｄ(Ai,Aj)))）
本発明によれば、対象地域A1の不動産の稼働率C1を、近隣の周辺地域Ajの不動産の捕捉ユーザ数に基づいて推定する。即ち、１つの不動産について推定された捕捉ユーザ数にばらつきが生じても、同種の周辺の不動産まで拡大した捕捉ユーザ数を推定することによって、母集団を拡大させている。
図５は、重み係数ωに基づく周辺地域捕捉ユーザ数を算出する説明図である。
図４及び図５によれば、例えばホテルのような周辺地域Ajの不動産について、以下のようにランク付けされている。
対象地域A1の不動産：ランク「☆☆」
周辺地域A2の不動産：ランク「☆」
周辺地域A3の不動産：ランク「☆☆」
周辺地域A4の不動産：ランク「☆☆☆」
周辺地域A5の不動産：ランク「☆☆」
周辺地域A6の不動産：ランク「☆☆☆」
周辺地域A7の不動産：ランク「☆」
周辺地域A8の不動産：ランク「☆☆☆」
この場合、対象地域A1の周辺地域捕捉ユーザ数B1は、以下のように算出される。
B1＝#A3×ω（A1,A3）＋#A5×ω（A1,A5）
＋#A4×ω（A1,A4）＋#A6×ω（A1,A6）＋#A8×ω（A1,A8）
＋#A2×ω（A1,A2）＋#A7×ω（A1,A7）
ここで算出された、対象地域A1の周辺地域捕捉ユーザ数B1は、対象地域A1と特性量の類似度ｄが高い周辺地域の捕捉ユーザ数から影響を強く受け、逆に対象地域A1と特性量の類似度ｄが低い周辺地域の捕捉ユーザ数から影響を受けにくいものとなる。
対象地域A1の不動産：ランク「☆☆」
周辺地域A2の不動産：ランク「☆」
周辺地域A3の不動産：ランク「☆☆」
周辺地域A4の不動産：ランク「☆☆☆」
周辺地域A5の不動産：ランク「☆☆」
周辺地域A6の不動産：ランク「☆☆☆」
周辺地域A7の不動産：ランク「☆」
周辺地域A8の不動産：ランク「☆☆☆」
この場合、対象地域A1の周辺地域捕捉ユーザ数B1は、以下のように算出される。
B1＝#A3×ω（A1,A3）＋#A5×ω（A1,A5）
＋#A4×ω（A1,A4）＋#A6×ω（A1,A6）＋#A8×ω（A1,A8）
＋#A2×ω（A1,A2）＋#A7×ω（A1,A7）
ここで算出された、対象地域A1の周辺地域捕捉ユーザ数B1は、対象地域A1と特性量の類似度ｄが高い周辺地域の捕捉ユーザ数から影響を強く受け、逆に対象地域A1と特性量の類似度ｄが低い周辺地域の捕捉ユーザ数から影響を受けにくいものとなる。
［第１の相関学習エンジン１０］
第１の相関学習エンジン１０は、推定段階として、不動産の稼働率Ciを推定する。
第１の相関学習エンジン１０は、学習段階として、対象地域Aiについて、以下の教師データに基づいて予め相関モデルを構築したものである。
目的変数：不動産の稼働率Ci
説明変数：周辺地域捕捉ユーザ数Bi
尚、第１の相関学習エンジン１０の学習段階で教師データとして入力される周辺地域捕捉ユーザ数Biは、過去に周辺地域捕捉ユーザ数算出部１５によって算出されたものである。
第１の相関学習エンジン１０は、推定段階として、不動産の稼働率Ciを推定する。
第１の相関学習エンジン１０は、学習段階として、対象地域Aiについて、以下の教師データに基づいて予め相関モデルを構築したものである。
目的変数：不動産の稼働率Ci
説明変数：周辺地域捕捉ユーザ数Bi
尚、第１の相関学習エンジン１０の学習段階で教師データとして入力される周辺地域捕捉ユーザ数Biは、過去に周辺地域捕捉ユーザ数算出部１５によって算出されたものである。
相関モデルは、不動産の稼働率Ciと周辺地域捕捉ユーザ数Biとの間で、相関が最大となるように構築される。
ここで、教師データとしての不動産の稼働率Ci及び周辺地域捕捉ユーザ数Biは、過去にカウントされたものである。例えば不動産1の稼働率C1が、不動産1の決算書の情報に基づくものである場合、同時期に、推定装置１によって算出された周辺地域捕捉ユーザ数Biと対応付ける。
尚、不動産の稼働率Ciは、不動産が宿泊用ホテルである場合、全ての宿泊部屋数に対して現に宿泊された部屋数の割合であってもよい。
ここで、教師データとしての不動産の稼働率Ci及び周辺地域捕捉ユーザ数Biは、過去にカウントされたものである。例えば不動産1の稼働率C1が、不動産1の決算書の情報に基づくものである場合、同時期に、推定装置１によって算出された周辺地域捕捉ユーザ数Biと対応付ける。
尚、不動産の稼働率Ciは、不動産が宿泊用ホテルである場合、全ての宿泊部屋数に対して現に宿泊された部屋数の割合であってもよい。
そして、第１の相関学習エンジン１０は、推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数算出部１５によって算出された周辺地域捕捉ユーザ数Biを入力する。これに対して、不動産の稼働率Ciを出力する。
図６は、本発明における推定装置の第２の機能構成図である。
図６によれば、推定装置１は、対象地域Aiの不動産の滞在ユーザ数Ciを推定する。
推定装置１は、「対象地域Aiの不動産の滞在ユーザ数Ci」と、「対象地域Aiの周辺地域捕捉ユーザ数Bi」との間の相関性に基づいて構成されたものである。
正解値としての不動産の滞在ユーザ数Ciは、例えば、当該不動産でカウントされたユーザ数、又は、当該不動産に基づく決算書によって開示された滞在ユーザ数であるとする。これは、過去のデータに基づくものである。
推定装置１は、「対象地域Aiの不動産の滞在ユーザ数Ci」と、「対象地域Aiの周辺地域捕捉ユーザ数Bi」との間の相関性に基づいて構成されたものである。
正解値としての不動産の滞在ユーザ数Ciは、例えば、当該不動産でカウントされたユーザ数、又は、当該不動産に基づく決算書によって開示された滞在ユーザ数であるとする。これは、過去のデータに基づくものである。
図６によれば、図２と比較して、相関学習エンジン１０のみが異なる。
［第２の相関学習エンジン１０］
第２の相関学習エンジン１０は、推定段階として、対象地域Aiに現に滞在する滞在ユーザ数Ciを推定する。
第２の相関学習エンジン１０は、学習段階として、対象地域Aiについて、以下の教師データで予め相関モデルを構築したものである。
目的変数：滞在ユーザ数Ci
説明変数：周辺地域捕捉ユーザ数Bi
尚、第２の相関学習エンジン１０の学習段階で教師データとして入力される周辺地域捕捉ユーザ数Biは、過去に周辺地域捕捉ユーザ数算出部１５によって算出されたものである。
第２の相関学習エンジン１０は、推定段階として、対象地域Aiに現に滞在する滞在ユーザ数Ciを推定する。
第２の相関学習エンジン１０は、学習段階として、対象地域Aiについて、以下の教師データで予め相関モデルを構築したものである。
目的変数：滞在ユーザ数Ci
説明変数：周辺地域捕捉ユーザ数Bi
尚、第２の相関学習エンジン１０の学習段階で教師データとして入力される周辺地域捕捉ユーザ数Biは、過去に周辺地域捕捉ユーザ数算出部１５によって算出されたものである。
相関モデルは、不動産の滞在ユーザ数Ciと周辺地域捕捉ユーザ数Biとの間で、相関が最大となるように構築される。
ここで、教師データとしての不動産に滞在した滞在ユーザ数Ci及び周辺地域捕捉ユーザ数Biは、過去にカウントされたものである。
ここで、教師データとしての不動産に滞在した滞在ユーザ数Ci及び周辺地域捕捉ユーザ数Biは、過去にカウントされたものである。
そして、第２の相関学習エンジン１０は、推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数算出部１５によって算出された周辺地域捕捉ユーザ数Biを入力する。これに対して、不動産に滞在した滞在ユーザ数Ciを出力する。
図７は、本発明における推定装置の第３の機能構成図である。
図７によれば、推定装置１は、対象地域Aiの不動産の稼働率Ciを推定する。
推定装置１は、「対象地域Aiの不動産の稼働率Ci」と、「対象地域Aiの周辺地域捕捉ユーザ数Bi」との間の相関性に基づいて構成されたものである。
推定装置１は、「対象地域Aiの不動産の稼働率Ci」と、「対象地域Aiの周辺地域捕捉ユーザ数Bi」との間の相関性に基づいて構成されたものである。
図７によれば、図２と比較して、周辺地域許容ユーザ数記憶部１６と、周辺地域捕捉ユーザ率算出部１７とを更に有すると共に、相関学習エンジン１０が異なる。
［周辺地域許容ユーザ数記憶部１６］
周辺地域許容ユーザ数記憶部１６は、所定期間Tについて、当該対象地域Aiの周辺地域Aj（j＝1〜N）全体における周辺地域許容ユーザ数を記憶する。
周辺地域許容ユーザ数は、対象地域Aiの不動産と所定条件で類似する不動産について、許容可能な部屋数に基づくユーザ数である。例えば、周辺地域Ajの不動産がホテルである場合、周辺地域許容ユーザ数は、全ての周辺地域Ajのホテルの宿泊部屋数に基づくユーザ数であってもよい。
周辺地域許容ユーザ数記憶部１６は、所定期間Tについて、当該対象地域Aiの周辺地域Aj（j＝1〜N）全体における周辺地域許容ユーザ数を記憶する。
周辺地域許容ユーザ数は、対象地域Aiの不動産と所定条件で類似する不動産について、許容可能な部屋数に基づくユーザ数である。例えば、周辺地域Ajの不動産がホテルである場合、周辺地域許容ユーザ数は、全ての周辺地域Ajのホテルの宿泊部屋数に基づくユーザ数であってもよい。
［周辺地域捕捉ユーザ率算出部１７］
周辺地域捕捉ユーザ率算出部１７は、周辺地域許容ユーザ数に対する周辺地域捕捉ユーザ数Biの周辺地域捕捉ユーザ率Biを算出する。
周辺地域捕捉ユーザ率Bi＝周辺地域捕捉ユーザ数Bi
／周辺地域許容ユーザ数
周辺地域捕捉ユーザ率算出部１７は、周辺地域許容ユーザ数に対する周辺地域捕捉ユーザ数Biの周辺地域捕捉ユーザ率Biを算出する。
周辺地域捕捉ユーザ率Bi＝周辺地域捕捉ユーザ数Bi
／周辺地域許容ユーザ数
［第３の相関学習エンジン１０］
第３の相関学習エンジンは、推定段階として、不動産の稼働率Ciを推定する。
第３の相関学習エンジン１０は、学習段階として、対象地域Aiについて、以下の教師データで予め相関モデルを構築したものである。
目的変数：不動産の稼働率Ci
説明変数：周辺地域捕捉ユーザ率Bi
尚、第３の相関学習エンジン１０の学習段階で教師データとして入力される周辺地域捕捉ユーザ率Biは、過去に周辺地域捕捉ユーザ率算出部１７によって算出されたものである。
相関モデルは、不動産の稼働率Ciと周辺地域捕捉ユーザ率Biとの間で、相関が最大となるように構築される。
第３の相関学習エンジンは、推定段階として、不動産の稼働率Ciを推定する。
第３の相関学習エンジン１０は、学習段階として、対象地域Aiについて、以下の教師データで予め相関モデルを構築したものである。
目的変数：不動産の稼働率Ci
説明変数：周辺地域捕捉ユーザ率Bi
尚、第３の相関学習エンジン１０の学習段階で教師データとして入力される周辺地域捕捉ユーザ率Biは、過去に周辺地域捕捉ユーザ率算出部１７によって算出されたものである。
相関モデルは、不動産の稼働率Ciと周辺地域捕捉ユーザ率Biとの間で、相関が最大となるように構築される。
第３の相関学習エンジンは、推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数算出率１７によって算出された周辺地域捕捉ユーザ率Biを入力する。そして、不動産の稼働率Ciを推定する。
図８は、本発明における推定装置の第４の機能構成図である。
図８によれば、推定装置１は、対象地域Aiの不動産の稼働率Ciを推定する。
推定装置１は、「対象地域Aiの不動産の稼働率Ci」と、「対象地域Aiの傾向差分DIFFi」との間の相関性に基づいて構成されたものである。
推定装置１は、「対象地域Aiの不動産の稼働率Ci」と、「対象地域Aiの傾向差分DIFFi」との間の相関性に基づいて構成されたものである。
図８によれば、図２と比較して、回帰関数導出部１８と、傾向差分算出部１９と、傾向差分を更に有すると共に、相関学習エンジン１０が異なる。
［回帰関数導出部１８］
回帰関数導出部１８は、複数の所定期間T×mにおける周辺地域捕捉ユーザ数Biの推移傾向を表す回帰関数fを導出する。
回帰関数ｆは、長期的な経過時間の中で、周辺地域捕捉ユーザ数Biにおける変化（トレンド）の差異、即ち、母集団全体の変化を表す。回帰モデルとしては、例えば以下のような１次式で表すこともできるが、それに限定するわけでもない。
ｆ(Bi(T))＝ａ×Bi(T)＋ｂ ａ：傾き、ｂ：切片
回帰関数導出部１８は、複数の所定期間T×mにおける周辺地域捕捉ユーザ数Biの推移傾向を表す回帰関数fを導出する。
回帰関数ｆは、長期的な経過時間の中で、周辺地域捕捉ユーザ数Biにおける変化（トレンド）の差異、即ち、母集団全体の変化を表す。回帰モデルとしては、例えば以下のような１次式で表すこともできるが、それに限定するわけでもない。
ｆ(Bi(T))＝ａ×Bi(T)＋ｂ ａ：傾き、ｂ：切片
［傾向差分算出部１９］
傾向差分算出部１９は、現在の周辺地域捕捉ユーザ数Biと、回帰関数ｆに基づく予測の周辺地域捕捉ユーザ数ｆ(Bi)との傾向差分DIFFiを算出する。
DIFFi＝Bi−f(Bi)
傾向差分算出部１９は、現在の周辺地域捕捉ユーザ数Biと、回帰関数ｆに基づく予測の周辺地域捕捉ユーザ数ｆ(Bi)との傾向差分DIFFiを算出する。
DIFFi＝Bi−f(Bi)
図９は、重み係数ωに基づく影響度αを決定する説明図である。
重み係数決定部１４は、複数の特性量kそれぞれの影響度αkによって、特性量kの差の平方を足し合わせたものであってもよい。即ち、強い影響度αを示す特性量kには加重し、最も影響度が低い特性量kは"0"となるように調整する。
重み係数決定部１４は、複数の特性量k（例えば態様、ランク、評価など）それぞれの影響度αkを、特性量kの差の平方に乗算し、乗算値の和の平方根を、類似度ｄとする。
類似度ｄ(i,j)＝√(Σk=1 K((CHARi,k−CHARj,k)２×αk))
CHARi,k：地域iの特性量k
αk：特性量kの影響度
図９によれば、地域A1と地域A4との間の類似度は、例えば以下のように算出される。
ｄ(1,4)＝√((ランク差２・影響度α１)＋(距離２・影響度α２)
＋(部屋数差２・影響度α３)＋(従業員数差２・影響度α４)
＝√((2-3)２α1＋(0-1)２α２＋(100-10)２α３＋(30-28)２α４)
そして、特性量k毎に影響度αを考慮した類似度ｄから、以下のように重み係数ωが算出される。
ω(i,j)＝１／（１＋ｄ(i,j)）
重み係数決定部１４は、複数の特性量k（例えば態様、ランク、評価など）それぞれの影響度αkを、特性量kの差の平方に乗算し、乗算値の和の平方根を、類似度ｄとする。
類似度ｄ(i,j)＝√(Σk=1 K((CHARi,k−CHARj,k)２×αk))
CHARi,k：地域iの特性量k
αk：特性量kの影響度
図９によれば、地域A1と地域A4との間の類似度は、例えば以下のように算出される。
ｄ(1,4)＝√((ランク差２・影響度α１)＋(距離２・影響度α２)
＋(部屋数差２・影響度α３)＋(従業員数差２・影響度α４)
＝√((2-3)２α1＋(0-1)２α２＋(100-10)２α３＋(30-28)２α４)
そして、特性量k毎に影響度αを考慮した類似度ｄから、以下のように重み係数ωが算出される。
ω(i,j)＝１／（１＋ｄ(i,j)）
次に、周辺地域捕捉ユーザ数算出部１５は、重み係数ωを用いて、周辺地域捕捉ユーザ数Ｂiを、以下のように算出することができる。
Ｂi＝Σj=1 N(#Aj×ω(i,j))
Ｂi＝Σj=1 N(#Aj×ω(i,j))
次に、傾向差分算出部１９は、周辺地域捕捉ユーザ数Ｂiから、回帰関数導出部１８を用いて、対象地域iの傾向差分DIFFiを算出する。
図９によれば、影響度決定部１４１を更に有する。影響度決定部１４１は、稼働率Ciと傾向差分DIFFiとの間の相関が最大となる影響度αkを算出する。
argmax α ρ(Ci,DIFFi)
関数ρ：稼働率Ciと傾向差分DIFFiとの間の相関係数を算出する関数
影響度αを決定することによって、影響度の強い特性量と影響度の低い特性量とを考慮して類似度ｄを算出することができ、その類似度ｄによって重み係数ωを決定することができる。
影響度αには、特性量を基準化する効果と、実質的な特性量の強弱を付けることで、他の特性量と差別化する効果がある。これによって、稼働率Ciとの相関係数の推定精度が高めることができる。
argmax α ρ(Ci,DIFFi)
関数ρ：稼働率Ciと傾向差分DIFFiとの間の相関係数を算出する関数
影響度αを決定することによって、影響度の強い特性量と影響度の低い特性量とを考慮して類似度ｄを算出することができ、その類似度ｄによって重み係数ωを決定することができる。
影響度αには、特性量を基準化する効果と、実質的な特性量の強弱を付けることで、他の特性量と差別化する効果がある。これによって、稼働率Ciとの相関係数の推定精度が高めることができる。
［第４の相関学習エンジン１０］
第４の相関学習エンジン１０は、推定段階として、不動産の稼働率Ciを推定する。
第４の相関学習エンジン１０は、学習段階として、対象地域Aiについて、以下の教師データで予め相関モデルを構築したものである。
目的変数：不動産の稼働率Ci
説明変数：傾向差分DIFFi
尚、第４の相関学習エンジン１０の学習段階で教師データとして入力される傾向差分DIFFiは、過去に傾向差分算出部１９によって算出されたものである。
即ち、相関モデルは、不動産の稼働率Ciと傾向差分DIFFiとの間で、相関が最大となるように構築される。
第４の相関学習エンジン１０は、推定段階として、不動産の稼働率Ciを推定する。
第４の相関学習エンジン１０は、学習段階として、対象地域Aiについて、以下の教師データで予め相関モデルを構築したものである。
目的変数：不動産の稼働率Ci
説明変数：傾向差分DIFFi
尚、第４の相関学習エンジン１０の学習段階で教師データとして入力される傾向差分DIFFiは、過去に傾向差分算出部１９によって算出されたものである。
即ち、相関モデルは、不動産の稼働率Ciと傾向差分DIFFiとの間で、相関が最大となるように構築される。
第４の相関学習エンジンは、推定段階として、対象地域Aiについて、傾向差分算出部１９によって算出された傾向差分DIFFiを入力し、不動産の稼働率Ciを推定する。
前述した第１〜第４の相関学習エンジン１０は、線形回帰の学習エンジンであればよい。オーバーフィットを避けるべく、パラメータ数は期待対数尤度を尺度として、教師データを最適化し、運用時のモデル精度を検証する必要もある。
例えば相関を最大化するパラメータは、目的変数を各パラメータで偏微分してゼロとおき、連立方程式を解くか、相関係数を最大とするパラメータを近似したものであってもよい。
例えば相関を最大化するパラメータは、目的変数を各パラメータで偏微分してゼロとおき、連立方程式を解くか、相関係数を最大とするパラメータを近似したものであってもよい。
他の実施形態として、第１〜第４の相関学習エンジン１０によって推定された不動産の稼働率Ci（又は滞在ユーザ数Ci）に応じて、地域毎に、色合いの階調を濃く（又は薄く）表示した不動産稼働率マップを作成することもできる。不動産稼働率マップの色合いを見るだけで、不動産の稼働率Ci等を認識でき、その地域の不動産の物件価値を判断しやすくする。
尚、本発明のアプリケーションによれば、地域を区分することによって、例えば以下のような不動産を想定することもできる。
（１）事業所主体型：例えば会社ビルや工場
（２）住居主体型：例えばマンションや住宅地域
（３）商業施設主体型：例えばショッピングモールやパチンコ店
（４）ホテル主体型：例えば宿泊施設や会議場
（５）公共施設主体型：例えば図書館
（６）ヘルスケア施設主体型：例えばスポーツジム
（７）（１）〜（６）の統合・複合型
（８）その不動産を利用する「企業」の価値判断：例えば企業買収の際に利用可能
（１）事業所主体型：例えば会社ビルや工場
（２）住居主体型：例えばマンションや住宅地域
（３）商業施設主体型：例えばショッピングモールやパチンコ店
（４）ホテル主体型：例えば宿泊施設や会議場
（５）公共施設主体型：例えば図書館
（６）ヘルスケア施設主体型：例えばスポーツジム
（７）（１）〜（６）の統合・複合型
（８）その不動産を利用する「企業」の価値判断：例えば企業買収の際に利用可能
以上、詳細に説明したように、本発明のプログラム、装置及び方法によれば、特定の通信事業者の通信設備に接続した捕捉ユーザ数であっても、比較的狭い対象地域の不動産の稼働率を、できる限り正確に推定することができる。
また、本発明によれば、不動産の投資家や関係者にとって、決算期毎の利用者数の発表を待つことなく、不動産の稼働率を知ることができる。不動産の稼働率の変動リスクを抱え込む必要もなく、物件価値に基づく投資のリスクを管理することができる。
前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。
１ 推定装置
１０ 相関学習エンジン
１１ ユーザ位置データベース
１２ 地域特性量記憶部
１３ 捕捉ユーザ数抽出部
１４ 重み係数決定部
１４１ 影響度決定部
１５ 周辺地域捕捉ユーザ数算出部
１６ 周辺地域許容ユーザ数記憶部
１７ 周辺地域捕捉ユーザ率算出部
１８ 回帰関数導出部
１９ 傾向差分算出部
２ 携帯端末
１０ 相関学習エンジン
１１ ユーザ位置データベース
１２ 地域特性量記憶部
１３ 捕捉ユーザ数抽出部
１４ 重み係数決定部
１４１ 影響度決定部
１５ 周辺地域捕捉ユーザ数算出部
１６ 周辺地域許容ユーザ数記憶部
１７ 周辺地域捕捉ユーザ率算出部
１８ 回帰関数導出部
１９ 傾向差分算出部
２ 携帯端末
Claims (13)
- 対象地域Aiの不動産の稼働率Ciを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの１つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と、
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
相関学習エンジンは、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることを特徴とするプログラム。 - 対象地域Aiの不動産の稼働率Ciに代えて、対象地域Aiに現に滞在する滞在ユーザ数Ciを推定するために、
相関学習エンジンは、
学習段階として、対象地域Aiについて、滞在した滞在ユーザ数Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを入力し、現に滞在する滞在ユーザ数Ciを推定する
ようにコンピュータを機能させることを特徴とする請求項１に記載のプログラム。 - 所定期間Tについて、当該対象地域Aiの周辺地域Aj（j＝1〜N）全体における周辺地域許容ユーザ数を記憶する周辺地域許容ユーザ数記憶手段と、
周辺地域許容ユーザ数に対する周辺地域捕捉ユーザ数Biの周辺地域捕捉ユーザ率Biを算出する周辺地域捕捉ユーザ率算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ率Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ率Biを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることを特徴とする請求項１に記載のプログラム。 - 周辺地域許容ユーザ数は、対象地域Aiの不動産と所定条件で類似する不動産について、許容可能なユーザ数又は部屋数である
ようにコンピュータを機能させることを特徴とする請求項３に記載のプログラム。 - 複数の所定期間T×mにおける周辺地域捕捉ユーザ数Biの推移傾向を表す回帰関数fを導出する回帰関数導出手段と、
現在の周辺地域捕捉ユーザ数Biと、回帰関数ｆに基づく予測の周辺地域捕捉ユーザ数ｆ(Bi)との傾向差分DIFFi（＝Bi−f(Bi)）を算出する傾向差分算出手段と
して更に機能させ、
相関学習エンジンは、
学習段階として、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、傾向差分DIFFiを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、傾向差分DIFFiを入力し、不動産の稼働率Ciを推定する
ようにコンピュータを機能させることを特徴とする請求項１に記載のプログラム。 - 重み係数決定部１４は、複数の特性量kそれぞれの差の平方和の平方根を、類似度ｄとする
ｄ(i,j)＝√(Σk=1 K(CHARi,k−CHARj,k)2)
CHARi,k：地域iの特性量k
ようにコンピュータを機能させることを特徴とする請求項１から５のいずれか１項に記載のプログラム。 - 重み係数決定部１４は、複数の特性量kそれぞれの影響度αkを、特性量kの差の平方に乗算し、乗算値の和の平方根を、類似度ｄとする。
類似度ｄ(i,j)＝√(Σk=1 K((CHARi,k−CHARj,k)２×αk))
CHARi,k：地域iの特性量k
αk：特性量kの影響度
ようにコンピュータを機能させることを特徴とする請求項５に記載のプログラム。 - 重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、対象地域Aiから周辺地域Ajまでの距離を用いる
ようにコンピュータを機能させることを特徴とする請求項１から７のいずれか１項に記載のプログラム。 - 重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、対象地域Ai及び周辺地域Ajの不動産の種別、ランク及び／又は評価を用いる
ようにコンピュータを機能させることを特徴とする請求項１から７のいずれか１項に記載のプログラム。 - 重み係数決定手段は、対象地域Aiの特性量と周辺地域Ajの特性量との類似度ｄとして、更に、建物の階数、部屋数、部屋面積、従業員数及び／又は使用料金を用いる
ようにコンピュータを機能させることを特徴とする請求項９に記載のプログラム。 - 正解値としての不動産の稼働率Ciは、最大収容数に対する利用収容数の利用率、又は、当該不動産に基づく決算書によって開示された稼働率である
ようにコンピュータを機能させることを特徴とする請求項１から１０のいずれか１項に記載のプログラム。 - 対象地域Aiの不動産の稼働率Ciを推定する装置であって、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの１つ以上の特性量を記憶する地域特性量記憶手段と、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する捕捉ユーザ数抽出手段と、
地域特性量記憶手段を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する重み係数決定手段と、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する周辺地域捕捉ユーザ数算出手段と
対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築した相関学習エンジンと
して機能させ、
対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする装置。 - 対象地域Aiの不動産の稼働率Ciを推定する装置の推定方法であって、
装置は、
位置を取得可能な携帯端末を所持したユーザ毎に、時系列の位置を蓄積したユーザ位置データベースと、
地域A毎に、当該地域Aの１つ以上の特性量を記憶する地域特性量記憶部と
を有し、
装置は、
ユーザ位置データベースを用いて、所定期間Tに、各地域Aに滞在する捕捉ユーザ数#Aを抽出する第１のステップと、
地域特性量記憶部を用いて、対象地域Aiの特性量と、当該対象地域Aiに対する複数Nの周辺地域Aj（j＝1〜N）の特性量との類似度ｄに応じた各重み係数ω(Ai,Aj)を決定する第２のステップと、
対象地域Aiに対する各周辺地域Ajの捕捉ユーザ数#Ajに、重み係数ω(Ai,Aj)を重み付けた総和を、所定期間Tにおける対象地域Aiの周辺地域捕捉ユーザ数Biとして算出する第３のステップと
を実行すると共に、
学習段階として、相関学習エンジンを用いて、対象地域Aiについて、不動産の稼働率Ciを目的変数とし、周辺地域捕捉ユーザ数Biを説明変数とした教師データで予め相関モデルを構築し、
推定段階として、対象地域Aiについて、周辺地域捕捉ユーザ数Biを、相関学習エンジンに入力し、不動産の稼働率Ciを推定する
ことを特徴とする推定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019154858A JP7071948B2 (ja) | 2019-08-27 | 2019-08-27 | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019154858A JP7071948B2 (ja) | 2019-08-27 | 2019-08-27 | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021033773A true JP2021033773A (ja) | 2021-03-01 |
| JP7071948B2 JP7071948B2 (ja) | 2022-05-19 |
Family
ID=74676590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019154858A Active JP7071948B2 (ja) | 2019-08-27 | 2019-08-27 | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7071948B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022186221A1 (ja) | 2021-03-03 | 2022-09-09 | 国立大学法人東京大学 | マクロ環含有新規テトラヒドロイソキノリンアルカロイド化合物 |
| JP7456567B2 (ja) | 2019-10-07 | 2024-03-27 | 株式会社パラダイムシフト | 情報提供装置および情報提供方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001117973A (ja) * | 1999-10-20 | 2001-04-27 | Recruit Co Ltd | 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム |
| JP2001243299A (ja) * | 2000-03-01 | 2001-09-07 | National Students Information Center | 学生用住居の総合管理システム |
| JP2010200283A (ja) * | 2009-02-27 | 2010-09-09 | Softbank Bb Corp | 流動性人口推定システム、流動性人口推定方法及び流動性人口推定プログラム |
| WO2012036222A1 (ja) * | 2010-09-15 | 2012-03-22 | 株式会社エヌ・ティ・ティ・ドコモ | 人口算出システム及び人口算出方法 |
-
2019
- 2019-08-27 JP JP2019154858A patent/JP7071948B2/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001117973A (ja) * | 1999-10-20 | 2001-04-27 | Recruit Co Ltd | 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム |
| JP2001243299A (ja) * | 2000-03-01 | 2001-09-07 | National Students Information Center | 学生用住居の総合管理システム |
| JP2010200283A (ja) * | 2009-02-27 | 2010-09-09 | Softbank Bb Corp | 流動性人口推定システム、流動性人口推定方法及び流動性人口推定プログラム |
| WO2012036222A1 (ja) * | 2010-09-15 | 2012-03-22 | 株式会社エヌ・ティ・ティ・ドコモ | 人口算出システム及び人口算出方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7456567B2 (ja) | 2019-10-07 | 2024-03-27 | 株式会社パラダイムシフト | 情報提供装置および情報提供方法 |
| WO2022186221A1 (ja) | 2021-03-03 | 2022-09-09 | 国立大学法人東京大学 | マクロ環含有新規テトラヒドロイソキノリンアルカロイド化合物 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7071948B2 (ja) | 2022-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446281B (zh) | 确定用户亲密度的方法、装置及存储介质 | |
| Lwin et al. | A GIS approach to estimation of building population for micro‐spatial analysis | |
| Corcoran et al. | Predicting the geo-temporal variations of crime and disorder | |
| Babel et al. | A multivariate econometric approach for domestic water demand modeling: an application to Kathmandu, Nepal | |
| Guo et al. | Rod-revenue: Seeking strategies analysis and revenue prediction in ride-on-demand service using multi-source urban data | |
| CN110009174A (zh) | 风险识别模型训练方法、装置及服务器 | |
| KR101810169B1 (ko) | 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치 | |
| EP3267390A1 (en) | Information processing device, information processing method, and program | |
| CN103718206B (zh) | 推荐其他用户或对象的方法、系统和装置 | |
| CN106991576A (zh) | 一种地理区域的热力展现方法和装置 | |
| CN105893537B (zh) | 地理信息点的确定方法和装置 | |
| CN107561490A (zh) | 推荐建筑物中的位置的装置及其使用方法 | |
| JP7071948B2 (ja) | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 | |
| US20150248436A1 (en) | Methods, Circuits, Devices, Systems and Associated Computer Executable Code for Assessing a Presence Likelihood of a Subject at One or More Venues | |
| CN110059849A (zh) | 路径确定方法和装置 | |
| CN108038734B (zh) | 基于点评数据的城市商业设施空间分布探测方法及系统 | |
| Wu et al. | Modeling shopping center location choice: shopper preference–based competitive location model | |
| CN114693351A (zh) | 信息预测方法、装置以及电子设备 | |
| Afrianto et al. | Booking prediction models for peer-to-peer accommodation listings using logistics regression, decision tree, K-nearest neighbor, and random Forest classifiers | |
| KR20100123408A (ko) | Ｇｉｓ 기반의 가맹점 마케팅 지원 시스템 및 방법 | |
| KR101815700B1 (ko) | 시간적 누적 데이터에 기반하여 상업용 부동산을 분석하는 시스템 | |
| CN108985595A (zh) | 基于交易方互评的移动交易服务评价方法及装置 | |
| CN107563402A (zh) | 一种社交关系推断方法及系统 | |
| Cabral et al. | Demand scenario planning approach using regression techniques and application to network sectors in Portugal | |
| CN109919811B (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210617 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220413 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220418 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220419 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220506 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220509 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7071948 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |